Buchumschlag

Dense X Retrieval: What Retrieval Granularity Should We Use?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chen, Tong, Wang, Hongwei, Chen, Sihao, Yu, Wenhao, Ma, Kaixin, Zhao, Xinran, Zhang, Hongming, Yu, Dong
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Computation and Language Artificial Intelligence Information Retrieval
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

$\texttt{MixGR}$: Enhancing Retriever Generalization for Scientific Domain through Complementary Granularity
von: Cai, Fengyu, et al.
Veröffentlicht: (2024)

Beyond Relevance: Evaluate and Improve Retrievers on Perspective Awareness
von: Zhao, Xinran, et al.
Veröffentlicht: (2024)

Revela: Dense Retriever Learning via Language Modeling
von: Cai, Fengyu, et al.
Veröffentlicht: (2025)

QAEA-DR: A Unified Text Augmentation Framework for Dense Retrieval
von: Tan, Hongming, et al.
Veröffentlicht: (2024)

MoR: Better Handling Diverse Queries with a Mixture of Sparse, Dense, and Human Retrievers
von: Kalra, Jushaan Singh, et al.
Veröffentlicht: (2025)

MultiContrievers: Analysis of Dense Retrieval Representations
von: Goldfarb-Tarrant, Seraphina, et al.
Veröffentlicht: (2024)

Refine Medical Diagnosis Using Generation Augmented Retrieval and Clinical Practice Guidelines
von: Li, Wenhao, et al.
Veröffentlicht: (2025)

DR.EHR: Dense Retrieval for Electronic Health Record with Knowledge Injection and Synthetic Data
von: Zhao, Zhengyun, et al.
Veröffentlicht: (2025)

LogiCoL: Logically-Informed Contrastive Learning for Set-based Dense Retrieval
von: Shen, Yanzhen, et al.
Veröffentlicht: (2025)

Generative Retrieval as Multi-Vector Dense Retrieval
von: Wu, Shiguang, et al.
Veröffentlicht: (2024)

Spectral Tempering for Embedding Compression in Dense Passage Retrieval
von: Li, Yongkang, et al.
Veröffentlicht: (2026)

Training for Compositional Sensitivity Reduces Dense Retrieval Generalization
von: Ralev, Radoslav, et al.
Veröffentlicht: (2026)

Enhancing Speech-to-Speech Dialogue Modeling with End-to-End Retrieval-Augmented Generation
von: Feng, Pengchao, et al.
Veröffentlicht: (2025)

Unleashing the Power of LLMs in Dense Retrieval with Query Likelihood Modeling
von: Zhang, Hengran, et al.
Veröffentlicht: (2025)

Self-Retrieval: End-to-End Information Retrieval with One Large Language Model
von: Tang, Qiaoyu, et al.
Veröffentlicht: (2024)

You Only Use Reactive Attention Slice For Long Context Retrieval
von: Soh, Yun Joon, et al.
Veröffentlicht: (2024)

LLM Alignment as Retriever Optimization: An Information Retrieval Perspective
von: Jin, Bowen, et al.
Veröffentlicht: (2025)

R^2AG: Incorporating Retrieval Information into Retrieval Augmented Generation
von: Ye, Fuda, et al.
Veröffentlicht: (2024)

Semi-Parametric Retrieval via Binary Bag-of-Tokens Index
von: Zhou, Jiawei, et al.
Veröffentlicht: (2024)

TRAD: Enhancing LLM Agents with Step-Wise Thought Retrieval and Aligned Decision
von: Zhou, Ruiwen, et al.
Veröffentlicht: (2024)

Is Table Retrieval a Solved Problem? Exploring Join-Aware Multi-Table Retrieval
von: Chen, Peter Baile, et al.
Veröffentlicht: (2024)

WebFAQ: A Multilingual Collection of Natural Q&A Datasets for Dense Retrieval
von: Dinzinger, Michael, et al.
Veröffentlicht: (2025)

Leveraging LLMs for Synthesizing Training Data Across Many Languages in Multilingual Dense Retrieval
von: Thakur, Nandan, et al.
Veröffentlicht: (2023)

Chain-of-Note: Enhancing Robustness in Retrieval-Augmented Language Models
von: Yu, Wenhao, et al.
Veröffentlicht: (2023)

ExpandR: Teaching Dense Retrievers Beyond Queries with LLM Guidance
von: Yao, Sijia, et al.
Veröffentlicht: (2025)

LightRetriever: A LLM-based Text Retrieval Architecture with Extremely Faster Query Inference
von: Ma, Guangyuan, et al.
Veröffentlicht: (2025)

Xetrieval: Mechanistically Explaining Dense Retrieval
von: Cai, Zhixin, et al.
Veröffentlicht: (2026)

Latent Terms: Dense Retrievers Contain Trivially Extractable BM25-ready Zipfian Vocabularies
von: Clavié, Benjamin, et al.
Veröffentlicht: (2026)

TurkColBERT: A Benchmark of Dense and Late-Interaction Models for Turkish Information Retrieval
von: Ezerceli, Özay, et al.
Veröffentlicht: (2025)

Reason to Contrast: A Cascaded Multimodal Retrieval Framework
von: Cui, Xuanming, et al.
Veröffentlicht: (2025)

Planning and Editing What You Retrieve for Enhanced Tool Learning
von: Huang, Tenghao, et al.
Veröffentlicht: (2024)

DocReLM: Mastering Document Retrieval with Language Model
von: Wei, Gengchen, et al.
Veröffentlicht: (2024)

MG$^2$-RAG: Multi-Granularity Graph for Multimodal Retrieval-Augmented Generation
von: Dai, Sijun, et al.
Veröffentlicht: (2026)

Can we Retrieve Everything All at Once? ARM: An Alignment-Oriented LLM-based Retrieval Method
von: Chen, Peter Baile, et al.
Veröffentlicht: (2025)

A Comparative Study of Specialized LLMs as Dense Retrievers
von: Zhang, Hengran, et al.
Veröffentlicht: (2025)

Pistis-RAG: Enhancing Retrieval-Augmented Generation with Human Feedback
von: Bai, Yu, et al.
Veröffentlicht: (2024)

Bias and Unfairness in Information Retrieval Systems: New Challenges in the LLM Era
von: Dai, Sunhao, et al.
Veröffentlicht: (2024)

Optimizing What Matters: AUC-Driven Learning for Robust Neural Retrieval
von: Sheikholeslami, Nima, et al.
Veröffentlicht: (2025)

WebFAQ 2.0: A Multilingual QA Dataset with Mined Hard Negatives for Dense Retrieval
von: Dinzinger, Michael, et al.
Veröffentlicht: (2026)

GFM-RAG: Graph Foundation Model for Retrieval Augmented Generation
von: Luo, Linhao, et al.
Veröffentlicht: (2025)